中文摘要：

超精密定位系统需要用到压电执行器来进行驱动，可是压电执行器固有的迟滞特性会影响系统的控制精度，引起振荡甚至造成系统不稳定，传统的建模和控制方法难以实现对迟滞系统的有效辨识和控制。本研究首先提出迟滞算子提取法、扩展空间法和动态算子转化法对迟滞进行转化和简化，建立了神经网络动态迟滞模型，打破Preisach模型的框架结构，能够实时调整参数，用于在线控制，解决了常规方法不能对迟滞进行辨识的难题，并且与静态模型相比，可以描述迟滞的速率相关性。然后提出与所建动态模型相结合的直接控制方法，设计鲁棒自适应控制器，对模型参数进行在线估计，实现复杂的随动和跟踪控制，提高控制速度和控制精度，并保证整个系统的稳定，克服了常规的逆控制方法参数依赖性强、难以分析系统稳定性的缺点。最后，将所提出的动态模型和直接控制方法在典型的迟滞系统上进行实验验证。

结论摘要：

超精密定位系统需要用到压电执行器来进行驱动，可是压电执行器固有的迟滞特性会影响系统的控制精度，引起振荡甚至造成系统不稳定，传统的建模和控制方法难以实现对迟滞系统的有效辨识和控制。该项目从建模和控制角度来对迟滞非线性进行动态建模和直接控制，提高精密定位系统控制精度。属于复杂系统建模与控制的研究方向。 该项目的主要完成的工作包括迟滞非常规特性的简化和转化、迟滞动态模型的建立、迟滞系统直接控制方案的设计。迟滞特性的简化和转化方面，提出迟滞算子提取法刻画迟滞的非平滑性、多值映射、记忆性和速率相关性，粗略的描述迟滞的上升、转折、下降等运动轨迹；在迟滞动态模型的建立方面，通过迟滞算子构成一维坐标轴，与迟滞输入一起组成输入平面来定位迟滞输出，保证了任意的迟滞输出都可以由平面上一点唯一确定，利用扩展空间法将迟滞的多值映射转化成一一映射。在证明了该映射的连续性后，利用神经网络将建立了迟滞的动态模型；在迟滞控制方面，设计了迟滞系统的迭代学习控制器和滑模逆补偿控制器。 所建立的模型打破Preisach模型的框架结构，能够实时调整参数，用于在线控制，可以描述迟滞的速率相关性，解决了常规方法不能对迟滞进行辨识的难题。所设计的迭代学习控制器在无需逆模型的情况下，通过学习增益来对模型参数进行在线估计，克服逆模型方法的缺点，提高了控制精度。 通过对压电执行器迟滞特性的动态建模和直接控制方面的研究，为超精密定位系统的开发提供理论基础和技术支持，在微纳米技术的研究方面具有重要的意义。